A Clinically Grounded Rule-Based Phenotyping Framework for Identifying Immune-Related Adverse Events in Structured Electronic Health Record Data: A Retrospective EHR Study

あなたは、巨大で混沌とした図書館の中で謎を解こうとしている探偵だと想像してください。この図書館に並んでいるのは小説ではなく、何百万人もの患者の症状、処方薬、検査結果といったデジタル記録です。現代医学の世界では、「免疫チェックポイント阻害薬」と呼ばれる特別な種類の癌治療が、スーパーヒーローのように活躍しています。これは、体自身の防御システムを目覚めさせ、癌と戦わせるものです。しかし時として、この過剰に目覚めた免疫システムは少し興奮しすぎてしまい、腸や皮膚といった健康な部位を攻撃してしまうことがあります。これらの攻撃は「免疫関連有害事象（irAE）」と呼ばれます。

問題は、この図書館のファイリングシステムが乱雑であることです。「この患者は免疫攻撃を起こしている」と明確に記された単一のタグは存在しません。記録は散乱しており、医師によって書き方も異なり、重要な詳細が欠落していることもよくあります。もし、これらの攻撃がどの程度の頻度で発生しているのか、あるいは誰が最もリスクが高いのかを研究したいと思っても、図書館にリストを請求するだけでは不十分です。混沌の中に隠された正しい手がかりを見つけ出すために、巧妙な検索戦略を構築しなければなりません。ここで、この研究の物語が始まります。すなわち、どうすれば、スーパーコンピューターや水晶玉を必要とせずに、構造化されたデータの海の中からこれらの隠された医学的パターンを見つけ出せるのか、という物語です。

---

探偵の新しいルールブック

この研究において、ユタ大学とハンツマン癌研究所の研究チームは、新しい種類の探偵ツールを構築することに決めました。複雑な人工知能や機械学習を用いる代わりに――それはまるで、ロボットに乱筆のメモを読ませようとするようなものです――彼らは「ルールベース」のフレームワークを作成しました。これは、特定の種類のトラブル（免疫介在性の下痢および結腸炎：IMDC）を見つけ出すための、非常に厳格でステップ・バイ・ステップのチェックリストのようなものです。

研究者たちは、まず医学の公式な「ルールブック」である臨床ガイドラインを調べました。これらのガイドラインは、患者が中等度から重度の免疫反応を起こした際に、医師が具体的に何をすべきかを指示しています。ルールにはこうあります。「もし患者がこの治療を受け、その後に体調を崩した場合、医師はおそらく治療を中断し、免疫を鎮めるために強力な抗炎症薬（ステロイド）を投与するだろう」。

チームは、これらの医学的ルールをデジタル検索アルゴリズムへと変換しました。彼らの「探偵キット」には、電子カルテの中から探すべき3つの主要な手がかりがありました。

1. トリガー（引き金）： 患者が免疫活性化型の癌治療薬を少なくとも1回は投与されていること。
2. 反応： 薬剤投与後、特定の時間枠内で免疫抑制療法（ステロイドなど）を受けていること。研究者たちは、体が通常反応を示す時期であるため、この時間枠を「最後の投与から30日以内」または「治療の中断期間である30日から90日の間」に設定しました。
3. 証拠： 患者の診療録に、下痢、結腸炎、または腸の炎症などに関する特定の「診断コード（デジタルタグのようなもの）」が含まれていること。

図書館で見つけたもの

チームはこの新しいルールブックを、進行性非小細胞肺癌患者、約10万人という膨大なデータセットに対してテストしました。条件に合致しない人々をすべて取り除いた結果、免疫療法を受けた14,659人のグループが残りました。

このグループに対してチェックリストを実行したところ、興味深い、しかし慎重な結果が得られました。

• 彼らは、基準を満たす576人の患者（このグループの3.93%）を特定しました。これらは中等度から重度の免疫反応があったと考えられます。
• 最後に、もう一つの手がかりである「腸に関連する診断コード」を絞り込む条件を加えたところ、免疫介在性の下痢および結腸炎であった可能性が高い患者は58人（全グループの0.40%）にまで絞り込まれました。

数値が予想よりも低い理由

研究者たちは、自らの知見について誠実な見解を示しました。彼らが発見した患者数は、他の研究で報告されている数値よりも低いことに触れました。彼らは、このことは自分たちのツールが失敗したせいだとは考えていません。むしろ、彼らのツールは非常に「特異的（限定的）」であるように設計されているのだと説明しました。このツールは、医師が強力な薬による介入を必要としたような「声の大きい（顕著な）」症例を探していたのです。おそらく、治療を中断したりステロイドを服用したりする必要のない「静かな（軽微な）」症例は見逃してしまったのでしょう。

また、彼らは探索対象となったデジタルライブラリには空白があることも指摘しました。時には、医師が自宅での薬の正確な服用量を書き忘れたり、同じ問題に対して異なるコードを使用したりすることがあります。彼らのツールはこれらの構造化された記録に依存しているため、すべての症例を捉えることはできませんでしたが、明確に文書化されている症例は確実に捉えることができました。

結論

この研究は、ビッグデータの中から医学的パターンを見つけ出すために、必ずしも派手で高価なAIが必要なわけではないことを示唆しています。臨床ガイドラインという「常識」を論理的な一連のルールへと単純に翻訳するだけで、研究者は理解しやすく、他の病院でも簡単にコピーでき、かつ深刻な副作用を見つけ出すのに効果的なツールを構築できるのです。

著者らは、この手法は完璧ではなく、いくつかの微妙な症例を見逃す可能性はあるものの、これらの危険な反応を特定するための実用的で「地に足の着いた」方法を提供すると結論づけています。彼らは今後、この手法をさらにテストし、検査結果や医師の手書きのメモといった、より多くの種類のデータを追加することで、将来さらに多くの症例を見つけられるようになるかどうかを確認する計画です。